热议中产品更新
HelixDB：基于对象存储的图数据库发布
原标题：Show HN: HelixDB – A graph database built on object storage
TL;DR · 一句话结论
HelixDB 将图、向量和全文搜索集成到单一数据库，利用对象存储（如S3）实现低成本无限扩展，解决多系统拼接的查询难题。
主要内容
- 01HelixDB 支持图、向量和全文搜索三种查询模式。
- 02冷数据读取延迟约50ms，写入约100ms。
- 03支持水平扩展，热数据缓存在节点上。
- 04项目始于大学期间，已迭代一年。
- 05开源AI记忆层即将发布，GA云版未来几周上线。
背景
传统图数据库扩展困难，要么全量复制（成本高），要么分片（图边跨片导致跨机器跳转低效）。HelixDB 另辟蹊径，将数据放在对象存储中，按需加载，结合缓存实现高吞吐和低延迟。目前支持TB级数据、AI代理记忆、企业知识图谱等场景。
为什么值得关注
对于AI工具用户，HelixDB 提供了一种整合图、向量和全文搜索的统一方案，避免在多个系统间拼接数据。其基于对象存储的设计大幅降低了图数据库的存储成本，特别适合需要存储海量关系数据的AI代理和GraphRAG场景。
🇨🇳
对中国用户与市场
国内用户可使用S3兼容的对象存储（如阿里云OSS、腾讯云COS）部署；但需要评估网络延迟和合规性。开源的AI记忆层计划对中文开发者友好，可本地部署。
继续关注
⚠尚未确定的部分
- ·项目尚在早期，分布式云服务未正式GA，稳定性待验证。
- ·对象存储的延迟可能不适用于极低延迟（亚毫秒级）场景。
- ·图数据库生态已被Neo4j等成熟产品占据，HelixDB需要证明差异化。
→可采取的行动
- ·访问GitHub仓库了解本地部署方式，测试基本功能。
- ·关注即将发布的AI记忆层开源项目，评估与现有RAG方案的整合。
- ·如有海量图数据需求，可邮件联系团队申请云服务试用。
- ·对比已有GraphRAG方案（如Neo4j + vector index）的成本与性能。
#HelixDB#S3#GraphRAG#HybridRAG#OLTP#对象存储#图数据库#向量搜索#AI记忆#开源
🤖 本文根据 Hacker News 的 RSS 内容整理，并由 AI 辅助提炼要点。完整上下文请以 原文 为准。